合通信数据传输有堵点，“快等慢”造成部分资源浪费。针对大模型推理过程，由于预填充 和解码阶段对算力和显存的需求量不同，传统大模型推理过程算力显存阶段互为瓶颈，造成 低水平资源利用率，需要解决异构算力协同调度问题使其匹配到最优计算任务。 8 第二章 算力协同体系架构 为了打破异构算力生态壁垒，实现不同类型智算异构算力高效协同工作，南向屏蔽底层 ASIC、GPGPU 不同路线算力差异，北向承载多场景、多行业、多模态大模型，构建异构算 化技术实现自适应的即时编译优化；各异构算力厂商间算子各异，需要构建跨架构的统一算 子接口，提炼通用算子的统一数学描述，解耦硬件实现细节，形成能够在厂商间源码共享的 算子库，省去重复开发成本且保障一致的算子实现，能够发挥硬件的最优性能，打造融合算 力底座。 （2）统一通信：构建低延迟高吞吐的智算高速公路 统一通信是异构算力协同的必要功能，旨在解决打破异构硬件间协议壁垒导致的“数据 孤岛”困境，构建跨厂商、跨架构的确定 Direct Memory Access）等关键技术实现算力间显存高效 互通，实现不同芯片间的超低时延传输。 （3）统一调度：实现全局最优的资源编排中枢 统一调度是异构算力协同的智能决策中枢，旨在解决多任务资源争用引发的“效率下降” 难题，构建全局最优的资源编排范式，实现对异构算力集群的全维度精细化调度。针对异构 算力计算能力差距，面向大模型训练场景构建分布式并行策略组合、业务感知的非均质拆分

发展。算力网络作为实现算网基础设施化的一个重要载体，旨在将泛 在的算力资源依托网络进行打通互联、协同调度，并将不同的应用业 务通过最优路径调度到最优的计算节点，在实现用户体验最优的同时， 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 3 保证网络资源和计算资源利用率最优化。 算力网络的核心思想是基于泛在分布的网络实现无处不在的算 力资源，通过构建一张计算资源可感知、可分配、可调度的新型网络 以用户体验为主：算力网络的目标是为用户提供极致的服务体验， 而这需要其具备高度的自动化、智能化水平，能够根据用户意图自动 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 4 化地提供最优资源服务，然而现有算力网络的系统架构、流程机制、 使能技术、服务模式等无法支撑上述目标的实现。 近年来，以深度学习、知识图谱为代表的 AI 技术得到了飞速发 展，并在诸多领域取得了巨大突破。算力网络作为支撑各行业数智化 所示。对于算力网络建设者来说，生成式 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 5 AI 技术将打造全新的算网设计范式，彻底取代人类专家在算网设计 配置的工作，并能够根据场景自动生成最优算网部署方案。算网建设 者仅需要将场景需求、指标期望等输入给 AI 专家系统，然后按照生 成的方案在现实世界中执行对应的操作。对于算力网络运营者来说， AI 技术能够对算网全流程赋能，包括用户意图感知、业务智能承载、

双体船，三体船的参数化建模工作及线型优化。提高航速，降低优化助力（风、伴流）。 • 螺旋桨设计：一维的传统图谱螺旋桨设计环流理论设计方法进行二维的螺旋桨设计三维的螺 旋桨设计；。考虑船机桨匹配的效率以及桨径的空间限制，设计最优的螺旋桨。 • 海洋平台 ( 钻井、采油、集运、观测、导航、施工 ) 优化：提供各类供应船及浮式装置的线型优 化工作。提高航速，降低油耗 ; 提高作业时常，增加经济效益。 智能工业优化设计解决方案 在业务规则层上的优化 技术特色 大规模整数规划 近似算法 启发式算法 解决的业务问题 • 基于 AI 和优化算法，在上架过程中即可动条 调整 sku 的最优摆放 • 对于上架、拣选任务，考虑不同类型设备， 给出最优路径规划，提升效率 • 通过 API 的方式实现与传统 WMS 的对接 TMS 系统 ERP/MES/OMS 系统 WMS 系统 智慧算法 API 布局优化 系统 30 2.1.2 仓储优化算法功能概览 上架优化 路径优化 × 布局优化 收货完毕，在考虑相关性及热度的智能分布和 最优上架路径实时计算出每一板货的最优上架 货位 库存管理优化 布局优化 × 补货优化 对 sku 的相关性及热度分析给出最优初始布局， 并在每日运作中做动态调整 任务管理优化 人力、设备、路径、时间的均衡 在考虑多变量的情况下，用算法强大的数据整合

且多样化需求，已经难以有效应对。分布式算力感知与调度技术应运 而生，成为应对海量、泛在、实时计算需求的关键基础设施。这一理 念旨在构建一个能够动态感知全网算力资源，并根据任务需求进行智 2 能化、自动化、最优化调度的新型信息基础设施，降低计算延迟与成 本，支撑新型智能化应用的落地。 分布式算力是相对于传统集中式算力（如单一超级数据中心）而 言的算力部署与利用模式，其核心是将一个大的计算任务分解成若干 式算力并非单 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧 “调度”则是基于“感知”结果所采取的行动，是整个系统的“大 脑”和中枢。它根据感知到的全网算力资源分布图景和实时状态，在 复杂约束条件下，通过智能高效的算法，将计算任务合理地分配到最 合适的节点上执行，从而实现全局最优的资源利用率、最低的运营成 本和最佳的用户体验。调度决策是一个高度复杂的优化问题，其目标 函数通常是多维度的，需要在性能目标、经济目标和系统目标之间寻 求最佳平衡点。分布式调度策略多种多样，从传统的基于静态规则的

(３)动态平台指动态改变操作系统或硬件平台,通过更改 其结构和软硬件配置来提高系统安全性. Zhang等提出在 多 个 平 台 上 按 策 略 进 行 关 键 服 务 的 迁 移,并根据系统回报确定是否执行服务迁移和最优服务的迁 移时机,并在迁移后重置当前平台[４１].Sourour等 设 计 在 攻 击频率较 低 的 网 络 中,通 过 可 信 动 态 逻 辑 异 构 系 统 (TALＧ ENT),在多个候选平台中进行周期性的随机迁移 与 者 在 博 弈 开 始 时 同 时 进 行 决 策,并根据其他参与者的决策获得相应收益. Jiang仅考虑单阶段博弈系统,提出了一种基于信号博弈 的移动目标防御决策模型,根据贝叶斯法则求解最优防御策 略.但单阶段博弈模型只考虑了攻防过程中各种随机因素稳 定不变的情况,并不符合真实网络攻防情景[５５]. ②多阶段博弈指所有参与者可以在多个阶段进行决策, 根据其他参与者的决策及时调整策略 可用性之间较为均衡的最优防御策略[５９]. ②动态博弈相较于静态博弈,更充分考虑了攻防双方行 动的非同时性,双方采用实时行动进行攻防博弈,更加符合实 际网络攻防场景.其中较为常见的是通过信号收发进行行动 选择的信号博弈,以及参与者决策、收益都可由微分方程描述 且连续可导的微分博弈. Liu等提出一种 信 号 博 弈 模 型,使 用 博 弈 模 型 和 最 优 求 解算法选取最优策略,并结合容器调度方法进行容器迁移

调度到最适合的智算资源上，在任务执行过程中，会持续监控容器运 行状态、节点健康度，一旦出现算力节点故障、数据传输超时等异常 情况，会再次触发调度机制，重新评估资源状态，将数据、容器迁移 至更优节点，确保任务以最优方式执行。框架层提供训练框架和推理 框架，包括 TensorFlow、PyTorch 等主流框架。这些框架封装了大量 央国企智算创新实践报告（2025 年） 22 高级 API 和工具， 和工具，使得开发者能够更直观、高效地编写、调试和优化 深度学习模型。运营层作为智算平台的中枢神经，负责整个平台的监 控、调度与优化。通过收集并分析来自各层的实时数据，运营层利用 智能算法进行资源调度和任务管理，确保平台能够以最优状态运行。 应用层涵盖计算机视觉、自然语言处理、跨媒体分析推理等常见智算 应用。这些应用依托下层提供的强大计算能力、灵活模型开发环境与 高效运营管理机制，实现了从数据输入到结果输出的全自动化处理。 有序地满足各类业务 需求。常见的算力编排策略包括整体业务性能最优、高优先级业务性 能最优、响应速度最优、能耗最优等。其中，整体业务性能最优策略 的核心目标是最大化整个业务系统的整体性能；高优先级业务性能最 优策略优先保障高优先级业务的算力需求；响应速度最优策略优先为 需要快速响应的业务分配算力资源，以减少用户等待时间；能耗最优 策略则综合考虑业务需求和资源使用情况，制定一个既能满足业务需

应用，解决了传统数据中心各种数据采集的困难，让基于预制模块化 数据中心场景的冷却系统智能调优技术得到真正的应用和实践。 数据中心冷却系统是一个复杂的非线性系统，各设备之间的运行 参数存在强耦合现象，设备局部最优不能保证整个系统能耗最低；冷 却系统庞杂，水泵、风机、压缩机、外机等不仅需要根据负载功率进 行参数调节，还需要根据室外气象参数进行动态调节，只有各个部件 参数之间协同，才能保证系统能效最高；随着政策与用户需求变化， 优化算法，实现对冷却设备运行参数的全局多目标寻优，实时保持多 目标最优策略。 图 2 全局冷却调优示意图 基于温升矩阵的制冷系统能耗优化的技术可以通过合理调配机 房负载分配和空调送风参数，避免局部热点，提高空调系统制冷效率； 针对预制模块化数据中心布局，建立离散域，求得流场，基于该流场 建立温升矩阵模型，建立机房服务器发热分布与温度场之间的关系， 迭代获得最优负载分配和空调送风温度，如下图 3 所示。 6005） 6 作量。 全局能效优化是指通过仿生学的方法对运行参数组合进行全局 寻优，确定适合当前目标下最节能的参数组合，采用遗传算法（GA）， 基于模式定理和构造块假设，避免了次优（局部最优）结果的出现， 在寻优过程中，引入交配、重组、替换、复制和变异算子，在自适应 搜索过程中寻找最佳的解决策略，如下图 4 所示。 图 4 遗传算法（GA）示意图 在预制模块化场景下，在参数智能监测的基础上，综合考虑设备

在此背景下，一体化云数据库的诞生恰逢其时。我们深刻理解零售企业的核心诉求：  弹性架构需应对“双 11”百倍流量脉冲，实现资源利用率与成本的最优平衡；  实时融合要突破 T+1 滞后，在毫秒级完成交易分析联动；  AI 原生必须激活“一方数据”价值，通过向量化+SQL 融合降低智能推荐开发门槛；  全局最优则要求简化异构系统堆叠，将总拥有成本降低 30%以上。 本书凝聚了 OceanBase 与零售领军企业的共同实践。您将看到： 求、以及数据架构复杂与有限 IT 资源之间的矛盾，传统数据架构已难以胜任。零售企业必须打 造新一代数据底座，从而跨越海量数据洪流与实时洞察的鸿沟，激活企业“一方数据”价值，支 撑 AI 全链路应用，满足综合成本最优诉求。 一体化云数据库是新一代数据底座的核心组成部分 为了支撑智能化转型，数据底座要满足实时决策洞察、多模态数据管理、集成 AI 推理能力等诉 求。同时，它还要兼顾零售企业出海、利润微薄追求性价比等行业特点。基于一体化架构的云数 传统的数据架构在智能化时代已捉襟见肘。数据底座的革新成为零售企业解锁 AI 潜能、实现敏 捷运营与差异化竞争的破局关键。新一代数据底座要具备跨越海量数据洪流与实时洞察的鸿沟， 满足零售独特业态下综合成本最优诉求，激活“一方数据”价值以及支撑 AI 全链路应用等能力要 求。 1.1 消费市场分层重构：个性化体验驱动商业变革 存在上千年的零售行业，其业态在过去几十年经历了巨大变化。零售企业竞争范式经历了“产品

根据货物送货要求，结合天气预报和实时情况、交通实时路况以及物流车辆、物流司机的历史 送货记录，对物流车辆行车路径进行最短化、最优化定制，并选择最优车辆、司机搭配，从而 大幅提高运输效率和节省运输成本的同时尽可能保证交货时间。 天气预报数据 路况信息 运输能力最优化 保证交货时间 3.1.3 物流智能大脑系统——最优资源匹配优化 — 19 — 基本信息管理 对品名、规格、生产厂家、产品批号、生产日期、有效期和箱包装等商

配，加工工时减少 40% 。 工业机器人的工作原理 工业机器人的选型与应用 0 3 ABB 瑞士 KUKA 德国 Fanuc 日本 安川 日本 运动控制 算法最优 汽车老大 本体最优 精度最优 工艺控制 伺服和运 动控制器 销量冠军 世界十大机器人公司 世界十大机器人公司 世界十大机器人公司 世界十大机器人公司 新松 SCR5 协作机器人 3D 视觉分 拣 新松